I software di intelligenza artificiale verticalizzati sulle specifiche esigenze delle imprese sono sviluppati per ridurre al minimo il rischio di “allucinazioni”, ovvero di errori. Un’applicazione di IA ben allenata per il settore manifatturiero può potenziare una determinata funzione aziendale, abilitare la sicurezza di un ambiente di lavoro, ridurre gli sprechi, persino aiutare il management a trasformare le strategie dell’impresa. Ad esempio, un progetto di Ntt Data la utilizza per la sicurezza delle persone in fabbrica: un sistema di visione elabora le immagini delle aree della fabbrica in cui l’uomo interagisce con robot, cobot, o muletti, e invia alert o interviene direttamente sui macchinari per evitare incidenti. Avvale ha invece allenato algoritmi per analizzare documenti aziendali e report esterni e rispondere alle domande del top management sulle decisioni di business. In entrambi i casi stiamo parlando di algoritmi sviluppati in modo da risultare efficienti rispetto all’obiettivo che l’impresa si proponeva. Ed è questo l’aspetto fondamentale che le organizzazioni devono tener presente quando fanno scelte relative agli investimenti in intelligenza artificiale.
Fra l’altro, è anche uno degli elementi sui quali, invece, hanno le idee meno chiare. «In base a una ricerca di Made 4.0, il 36% delle piccole e medie imprese vorrebbe implementare un progetto di intelligenza artificiale ma non sa da dove partire», spiega Davide Polotto, business development del competence center Made4.0.
Questo succede anche perché il cambiamento è stato relativamente veloce, meno di due anni fa l’intelligenza artificiale era ancora “una delle tecnologie” 4.0, o 5.0 che dir si voglia. Adesso in qualche modo è diventata “la tecnologia”. Il mercato sta crescendo esponenzialmente: in Italia, vale quasi 6 miliardi di dollari, ed è quindi raddoppiato rispetto ai 3 miliardi del 2022. Continuerà a crescere sfiorando i 15 miliardi nel 2030 (secondo Statista Market Insight).
Di fatto, le imprese si trovano quindi a dover effettuare investimenti su una tecnologia che si sta imponendo come prioritaria in modo repentino, e che prevedibilmente continuerà a evolversi a un ritmo analogo. Un aiuto in questo senso può arrivare proprio dai competence center. Made 4.0 mette a disposizione uno strumento che si chiama “AI Strategy”, realizzato in collaborazione con MIA Lombardia (Manufacturing Innovation Alliance), un European digital innovation hub finanziato dal Pnrr formato da 12 partner. È una sorta di assessment che porta all’individuazione di una strategia.
I casi d’uso sopra esposti sono stati presentati proprio a Made 4.0, da Claudia Lunini, technology strategist di Ntt Data, e Roberto Verdelli, advanced analytics practice manager di Avvale, nel corso di una demo experience dedicata a “Strumenti e casi di successo per l’adozione in azienda”. L’evento è stato impreziosito da un intervento di Jessica Leoni, research assistant del Laboratorio Move del Politecnico di Milano, sul modo in cui funziona l’intelligenza artificiale.
Se l’algoritmo non viene allenato con dati precisi sale il rischio di allucinazioni. Il motivo? Il mistero della scatola nera
Le proiezioni economiche sull’IA indicano che il mercato vede un valore aggiunto destinato ad essere duraturo nel tempo. Probabilmente attribuibile al fatto la tecnologia non interviene solo sull’efficienza dei processi, ma riesce anche a fornire informazioni utili per il business. In alcuni casi si limita a farlo più velocemente rispetto agli umani, in altri riesce a trovarle analizzando un patrimonio aziendale che altrimenti resta inutilizzato. Come fa? Si potrebbe dire che in parte questo resta ancora un mistero anche per i ricercatori.
Gli algoritmi di IA non funzionano in modo deterministico, nel senso che non c’è una funzione logica che crea una lineare corrispondenza fra l’input, il dato di partenza, e l’output, il risultato che si ottiene. Si basano su reti neurali che restituiscono un risultato preciso in base al modo in cui vengono allenate, ma facendo un “ragionamento” che ancora non si riusce a decodificare del tutto.
«Gli scienziati da sempre cercano di capire come funzionano i sistemi, descrivendoli con equazioni», spiega Jessica Leoni. In un mondo deterministico, l’equazione definisce con precisione l’operazione che, partendo da un determinato dato, porta a un risultato. Per definire questo tipo di equazione si parla di scatola bianca: un ambiente in cui so esattamente che cosa succede.
L’elaborazione dell’intelligenza artificiale, invece, avviene nella cosiddetta scatola nera. Ovvero, in un ambiente che, appunto, è ancora in qualche modo sconosciuto. Il risultato che fornisce non dipende da un’equazione deterministica. «Il buon funzionamento di un’IA dipende dall’accuratezza con cui sono raccolti i dati. Se questi hanno un bias, una distorsione, verrà male anche l’algoritmo» sintetizza Leoni. Quindi, più il modello è verticalizzato, ovvero allenato con dati specifici e ben selezionati, migliori saranno i risultati.
Un sistema di visione per la safety, il progetto AI Prism di Ntt Data facilita la collaborazione uomo-macchina e previene gli incidenti
Vediamo ora meglio gli esempi di modelli verticalizzati su esigenze specifiche delle aziende. Il progetto AI Prism è stato sviluppato da Ntt Data, multinazionale giapponese della system integration e consulenza IT, nell’ambito di un bando Horizon, con l’obiettivo di costruire una piattaforma robotica collaborativa basata sui paradigmi human centered fondamentali della Trasformazione 5.0. L’intelligenza artificiale viene usata per rendere più collaborativi i cobot, che riescono ad affinare le capacità di interazione con l’operatore umano attraverso i dati elaborati dal sistema di visione. Sempre attraverso l’analisi delle immagini, vengono rese più sicure le aree di lavoro dei robot industriali. Se il sistema di visione rileva una presenza estranea, è in grado di mandare allarmi visivi e sonori, oppure agire direttamente sul robot bloccandolo.
Il consorzio AI Prims possiede l’expertise necessaria per migliorare strategicamente la catena del valore della produzione intelligente nell’UE. Nella categoria dei fornitori di tecnologia, contiamo su un partner sudcoreano con esperienza nella ricerca e nello sviluppo delle nostre tecnologie, A&G Technology (A&G), esperti nel controllo di qualità.
Un’applicazione rilevante di questo sistema riguarda le zone degli stabilimenti in cui sono presenti carrelli elevatori. In base al report Inail “Utilizzo dei carrelli elevatori: dinamiche infortunistiche, fattori di rischio e misure preventive” di fine 2023, la mancanza di delimitazioni precise fra le aree destinate al transito delle macchine e dei lavoratori è fra le cause principali degli infortuni mortali sul lavoro provocati dai muletti. Il sistema di monitoraggio esterno con telecamere fisse consente di tenere costantemente sotto controllo l’area, e manda allarmi nel caso in cui vengano identificati rischi, ad esempio verificando che non ci siano persone in rotta di collisione sul percorso muletti. Anche in questo caso, il sistema può inviare un segnale sonoro visivo, oppure agire direttamente sulla macchina rallentandola.
Queste soluzioni possono essere applicate anche ad altri ambiti relativi alla safety. Ad esempio, per il monitoraggio del corretto utilizzo dei dispositivi di sicurezza personale, oppure con altre funzionalità di anomaly detection. «La base è sempre un algoritmo di visione, l’hardware è rappresentato dalle telecamere. Sono soluzioni su edge, e restituiscono solo dati numerici, quindi privacy compliance» segnala Lunini.
Sempre da Ntt Data il progetto Chaplin, schede di produzione digitalizzate e dati delle macchine tracciabili
Un altro applicativo dell’azienda guidata in Italia da Ludovico Diaz riguarda invece la digitalizzazione dei dati di produzione. Il progetto Chaplin è stato realizzato per un cliente dell’industria aerospaziale. L’azienda aveva già intrapreso un percorso di abbandono della carta, ma fondamentalmente lavorava con dei fogli Excel che venivano presi in carico dagli operatori, i quali inserivano gli input necessari per gestire cicli di lavoro e altre attività. Con l’intelligenza artificiale sono stati analizzati tutti i manuali, creando delle schede di lavoro su cui bisogna solo inserire i dati rilevanti in spazi appositamente creati. L’operatore in pratica si trova con delle schede in cui deve solo riempire gli spazi vuoti. Il tutto è stato fatto senza bisogno di un imponente lavoro di riclassificazione del materiale, ma semplicemente facendo leggere i documenti aziendali disponibili all’IA, che li ha classificati e organizzati rendendoli utilizzabili. Risultato, un sistema di gestione della produzione efficiente, che rende tracciabili tutti i dati. «Questo progetto è stato realizzato cinque anni fa, con la collaborazione di un centro di ricerca». Oggi con i llm disponibili di IA generativa è un task molto semplice da introdurre.
Avvale, un assistente virtuale dotato di IA generativa che effettua analisi macroeconomiche e di positioning e risponde alle domande del top management
Avvale, una realtà tecnologica italiana fondata 20 anni fa dall’attuale ceo, Domenico Restuccia, che oggi è una digital business transformation company e consulente con circa 3500 dipendenti del mondo, propone invece un caso d’uso basato su un assistente virtuale dotato di IA generativa con un’interfaccia conversazionale. È stato realizzato per un player del settore energy per effettuare analisi macroeconomiche e di positioning. Due dipartimenti diversi, il primo con una gran mole di report finanziari da analizzare ogni giorno. Il secondo con pochi documenti, molto ampi, che cambiano una o due volte all’anno e riassumono il posizionamento dell’azienda su determinate tematiche. In entrambi i casi, la necessità era avere un sistema in grado di analizzarli per rispondere a domande del top management, che possono essere più o meno specifiche, esposte con stili diversi, distribuite su diversi documenti.
Il software è in grado di processare layout fra loro molto differenti, strutturarli all’interno di knowledge base separate, comprendere domande poste in linguaggio naturale e rispondere di conseguenza, fare riassunti, catalogare le risposte scartando i dati obsoleti e selezionare invece quelli più aggiornati, fare traduzioni, confezionare risposte con diversi stili a seconda del destinatario. L’architettura si definisce rag, retrival augmented generation, perché sfrutta modelli di IA generativa augmented by retrival, ovvero potenziata dal recupero di un’informazione che avviene in una fase precedente alla generazione della risposta. Il sistema è in grado di estrarre dalla knowledge base solo i contenuti coerenti con la domanda e produce la risposta conseguente. Siccome i contenuti sono forniti all’interno del contesto della domanda, si riduce parecchio il rischio di allucinazioni.
Tecnicamente funziona così: una tecnica del mondo del natural language processing consente di trasformare il testo dei documenti o dei dati inseriti in vettori che mantengono al proprio interno il significato semantico del contenuto. Anche la domanda riceve un trattamento simile, viene trasformata in vettore. Avendo sia la knowledge base sia la domanda vettorizzata, è possibile effettuare una ricerca che resta molto veloce ma estrarre i soli contenuti utili rispetto alla richiesta. Perché appunto si seleziona dall’intero patrimonio documentale del modello solo un sottoinsieme di contenuti. Se invece si inseriscono interi documenti, quindi senza la cernita sopra descritta, aumenta il rischio di errori perché il modello non sempre è in grado selezionare il contenuto specifico utile. «Abbiamo anche aggiunto altre funzionalità – sottolinea Verdelli -. Ad esempio, la capacità di riconoscere informazioni discordanti e dare priorità a quelle più recenti. Un tool di reinforcement learning, che integra la capacità di gestire i feedback dell’utente affinando le risposte future. E stiamo lavorando sull’apertura a dati esterni di siti web certificati e affidabili, sempre selezionati in modo che la risposta sia il più precisa possibile».
Gli agent, ovvero diverse intelligenze artificiale funzionano meglio di una, ma bisogna segmentare bene le domande
Uno sviluppo recente di questi assistenti virtuali intelligenti è rappresentato dagli agent, ovvero dall’utilizzo di diverse IA che collaborano fra loro per fornire la migliore risposta. Perché scomodare diverse intelligenze artificiale se una sola può essere accurata? Sempre per lo stesso motivo: evitare le allucinazioni. Più la richiesta è concentrata su un task singolo, più la risposta riesce ad essere precisa. A fronte invece di domande troppo complesse, sale la probabilità che il software inventi la risposta. «Se invece io ho dieci agenti, e suddivido bene le domande, riduco la probabilità di allucinazioni. Quindi per utilizzare bene gli agent è importante lavorare bene sulle richieste.
Il modello è basato su Azure, il cloud di Microsoft, che garantisce la privacy: nessun ri-addestramento sui dati, che quindi non vengono usati per migliorare i modelli. «Il tema della privacy è sentitissimo dalle imprese, è una delle prime cose che chiedono – segnala Verdelli -. Vogliono sapere dove finisce il dato, come viene trattato, si assicurano che non venga trasmesso ad altri o entri in un modello. Tutti i provider di modelli sono attenti a questi aspetti».
AI Strategy di Made 4.0: quattro step per un assessment finalizzato a individuare una strategia
Sia Ntt Data sia Avvale sono partner di Made 4.0, che mette a disposizione delle imprese oltre agli eventi in cui vengono presentati i casi d’uso anche altre strumenti di formazione e servizi per abilitare la Trasformazione Digitale. Sono attività finanziate dal Pnrr, che prevedono uno sconto in fattura che dipende dalle dimensioni dell’azienda e può arrivare al 100%.
Per le imprese che vogliono intraprendere un percorso verso l’adozione dell’IA, come detto è stato messo a punto il servizio “AI Strategy”, in collaborazione con MIA Lombardia (Manufacturing Innovation Alliance).
Prevede un percorso in quattro tappe, così sintetizzate da Polotto: «prima si identifica un’area su cui concentrarsi, poi su questo perimetro viene effettuato uno schema dei processi che ne fanno parte. A questo punto, si valutano i flussi e le tecnologie già utilizzate, anche facendo confronti con aziende comparabili. Si arriva così a identificare una short list di elementi da approfondire, e alla organizziamo un workshop per condividere i risultati e prioritizzarli». Il competence center può anche fornire una successiva consulenza per implementare il progetto, oppure l’azienda può a questo punto procedere autonomamente.
(Ripubblicazione dell’articolo del 18 luglio 2024)
